详情

原文传递基于复杂网络的交通流短时预测

论文题名：	基于复杂网络的交通流短时预测
关键词：	城市道路;交通流;短时预测;复杂网络
摘要：	目前，随着城市的快速发展，交通越来越繁忙，出现了各式各样的交通拥堵和交通事故，使得合理高效的交通规划成为了挑战。作为一种创新的和具有成本效益的交通应用，智能交通系统（ITS）被构建出来解决城市交通问题。对交通流量的数据质量进行可信修复，保障数据的质量是构建ITS系统的重要基础。交通流量预测是ITS系统的一个重要组成部分。因此，交通流量预测在交通管理和研究领域是必不可少的，也是具有挑战性的。本文在现有研究的基础上，采用了对机器学习算法和深度学习算法进行了改进优化，并结合了复杂网络的方法对数据进行分析，研究了不同数据集不同道路条件下交通流量数据修复工作，复杂网络构建工作及高精度的交通流预测任务，主要结果如下：　　（1）为了对交通流数据中出现的缺失值进行更好的修复，提出了带有残差修正的自适应混合阶指数平滑算法，并利用量子粒子群算法对所提算法的参数进行优化，提升修复精度。通过不同数据集不同的缺失比例进行实验，实例分析验证了算法的有效性。该方法为准确获取交通流数据提供了保障，为后续交通流复杂网络构建，分析和预测奠定了基础。　　（2）针对不同交通流量观测节点的聚类问题，提出了一种基于灰色关联度的交通流量复杂网络构建方法，并采用Louvain算法对构建的复杂网络进行社区检测，得到聚类结果。对社区检测结果进行后验分析，发现组别间具有明显的差异性，能够有效区分变化不相同的交通流量观测节点。该方法为准确获取不同交通流量观测器的聚类结果提供了一种方法保障，为后续构建等价训练集和交通流预测奠定了基础。　　（3）为了提高交通流量预测的精度，构建了多周期特征Exattention-GRU算法的交通流量预测模型。该模型采用循环门单元（Gated Recurrent Unit，GRU）作为网络主体，引入外部注意力机制并和残差结构对GRU进行改进，增强了网络性能。对改进的GRU网络根据不同的周期特征进行堆叠融合，让模型学习不同的流量信息，提高了网络精度。该模型使用等效训练集进行训练，充分利用已有数据，提高预测精度；通过RAdam算法对网络参数进行求解，获得精度更优的网络参数。在用实际数据验证模型有效性的过程中，针对等效训练集的训练效果进行了对比实验，通过采用复杂网络方法构建等效训练集扩大了训练集数据量，相较全部使用全部节点的方式，有效减少了训练集的噪声。针对不同的数据集与多种算法进行比较，多周期特征Exattention-GRU算法具有良好的普适性，能够适应极其复杂的交通条件，达到了良好预测效果。
作者：	李卓轩
专业：	数学;应用数学
导师：	曹进德
授予学位：	硕士
授予学位单位：	东南大学
学位年度：	2022